Нейросетевые системы

Под нейронными сетями подразумеваются вычислительные структуры, в которых используются явления, аналогичные происходящим в нейронах живых существ и обычно ассоциируемые с процессами человеческого мозга.

Важным свойством нейронной сети является способность к обучению и обобщению накопленных знаний. ЭС способна решать только те задачи, которые, хотя бы в принципе, может решать человек. (Хотя ограниченные элементы самостоятельного обучения имеются и в некоторых ЭС (например, ЭС может отслеживать частоты выпадений определенных неисправностей в устройствах, запоминать их и использовать их в выборе оптимальной последовательности проверки узлов ). Отличительной чертой нейронных сетей является их способность извлекать скрытые закономерности (которые человек уловить не может) из потока данных. При этом алгоритмы обучения не требуют каких-либо предварительных знаний о существующих в предметной области взаимосвязях — необ­ходимо только подобрать достаточное число обучающих примеров, для которых известны как условия задачи, так и верное решение. Причем обучение сводится к работе алгоритма подбора числовых параметров , который реализуется автоматически без непосредст­венного участия человека.

Широкое распространение нейронных сетей вызвано тем, что во многих случаях формализация процедур решения сложных задач в экономике, технике, медицине, военном деле зачастую оказывается либо сложной, либо по каким-либо причинам невозможной. Их программная реализация, создание детальных инструкций для гигантского числа возможных ситуаций оказывается слишком сложной.

Основу нейронных сетей составляют искусственные нейроны (реальные технические устройства или компьютерная программная имитация), соединенные друг с другом. Нейрон характеризуется своим состоянием, описываемым набором числовых параметров. В случае нейросети, реализуемой на компьютере, в начальный момент времени некоторые нейроны получают сигналы, в которых закодированы условия задачи. На основе совокупности полученных сигналов, каждый нейрон ( в зависимости от своего состояния на этот момент) выдает ряд сигналов другим нейроны (возможно, также и самому себе), что составляет 1-й такт решения. Эта процедура повторяется. В конце работы сигналы (в которых закодировано решение задачи) с некоторых нейронов подаются на выход.

Рассмотрим подробнее работу одного нейрона. Пусть на него поступает n сигналов (чисел) х₁,x₂, … х_n от n других нейронов. Состояние нейрона характеризуется упорядоченным набором параметров – чисел w₁, w₂,.. , w_n . Вычисляется значение – сумма попарных произведений z = х₁* w₁+ х₂* w₂+.. + х_n* w_n. Затем вычисляется значение φ(z), где φ – заданная нелинейная функция. Для разных нейронов соответствующие функции могут быть (или не быть) одинаковыми. Сигнал φ(z) подается на некоторые нейроны в качестве входного. Используется нелинейная функция, т.к. в противном случае решение нелинейных задач (составляющих абсолютное большинство) было бы существенно затруднено.

Для обучения сети необходим представительный (для рассматриваемого типа задач) набор задач, для которых известно решение. Например, в случае финансового прогноза условиями задачи является исходное состояние рынка, а решением – реальное состояние рынка через некоторый промежуток времени. При определении авторства какого-либо спорного текста обучающими примерами являются тексты, авторы которых достоверно известны. Обучение нейросети состоит в нахождении таких числовых значений подгоночных параметров, характеризующих нейроны, чтобы суммарные отклонения полученных решений от эталонных на множестве этих задач были минимальными. Обычно в качестве меры погрешности берется среднеквадратичная ошибка, которая определяется как сумма квадратов разностей между значениями выходных сигналов и соответствующими эталонными значениями. Таким образом, задача обучения сводится к нахождению минимума числовой функции от n аргументов, где n - число упомянутых числовых параметров. Имея обученную таким образом сеть, можно рассчитывать получать приемлемые результаты и в случае задач с неизвестным решением.

Приложения нейронных сетей охватывают области: распознавание и дополнение образов и речи, обработка зашумленных данных, ассоциативный поиск, классификация, составление расписаний, оптимизация, прогноз (например, прогнозирование финансовых рынков), диагностика, обработка сигналов, управление процессами, машинное зрение и т.д. Нейронные сети успешно применяются в бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой успех определяется несколькими причинами. Нейронные сети - мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. Существенной также является простота в использовании. Нейронные сети учатся на примерах. Нужно лишь подобрать представительные данные (что, впрочем, в общем случае является отнюдь не простой задачей), а затем запустить алгоритм обучения, который автоматически воспринимает структуру данных. При этом , конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов.